当前位置：极客教程 > Pandas > Pandas 问答 > pandas apply 示例

pandas apply 示例

pandas apply 示例

参考：pandas apply example

Pandas 是一个强大的 Python 数据处理库，它提供了许多功能来处理和分析数据。其中，apply 函数是一个非常灵活的工具，允许用户对 DataFrame 或 Series 中的数据应用一个函数。本文将详细介绍 apply 函数的使用方法，并通过多个示例展示其在数据处理中的应用。

1. apply 函数基础

apply 函数可以被用于 pandas 的 Series 和 DataFrame 对象。当用于 DataFrame 时，它默认作用于每一列，但也可以通过设置参数作用于每一行。当用于 Series 时，它将函数应用于每个元素。

示例代码 1：对 Series 应用函数

import pandas as pd

# 创建一个 Series 对象
s = pd.Series(['pandasdataframe.com', 'example', 'apply'])

# 定义一个简单的函数来转换字符串为大写
def to_upper(text):
    return text.upper()

# 使用 apply 应用函数
result = s.apply(to_upper)
print(result)
Python

Output:

pandas apply 示例

示例代码 2：对 DataFrame 的每一列应用函数

import pandas as pd

# 创建一个 DataFrame 对象
df = pd.DataFrame({
    'A': ['foo', 'bar', 'baz'],
    'B': ['pandasdataframe.com', 'example', 'apply']
})

# 定义一个函数来计算字符串长度
def length(text):
    return len(text)

# 使用 apply 应用函数到每一列
result = df.applymap(length)
print(result)
Python

2. 使用 apply 处理复杂数据

apply 函数非常适合处理需要对数据进行复杂转换的情况。例如，可以使用它来计算统计数据，或者从字符串中提取特定信息。

示例代码 3：计算每列的最大字符串长度

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': ['pandasdataframe.com', 'short', 'medium'],
    'B': ['longer', 'shortest', 'apply']
})

# 定义一个函数来找出最长的字符串长度
def max_length(column):
    return max(column, key=len)

# 应用函数到每一列
result = df.apply(max_length)
print(result)
Python

Output:

pandas apply 示例

示例代码 4：从字符串中提取数字

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': ['1 pandasdataframe.com', '2 examples', '3 apply methods'],
    'B': ['4 tests', '5 pandas', '6 data']
})

# 定义一个函数来提取字符串中的数字
def extract_number(text):
    return ''.join(filter(str.isdigit, text))

# 应用函数到 DataFrame 的每个元素
result = df.applymap(extract_number)
print(result)
Python

3. 使用 apply 进行条件逻辑处理

apply 函数也可以用来执行基于条件的逻辑操作。这在数据清洗和预处理中非常有用。

示例代码 5：根据条件修改数据

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [10, 20, 30],
    'B': [20, 30, 40],
    'C': ['pandasdataframe.com', 'example', 'apply']
})

# 定义一个函数，如果数字大于 25，则替换为 'High'
def replace_if_high(num):
    return 'High' if num > 25 else num

# 应用函数到 DataFrame 的选定列
df[['A', 'B']] = df[['A', 'B']].applymap(replace_if_high)
print(df)
Python

示例代码 6：使用条件逻辑创建新列

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': ['pandasdataframe.com', 'example', 'apply']
})

# 定义一个函数，根据其他列的值计算新列的值
def calculate_new_column(row):
    return row['A'] * row['B']

# 使用 apply 函数沿着行应用函数
df['D'] = df.apply(calculate_new_column, axis=1)
print(df)
Python

Output:

pandas apply 示例

4. 使用 apply 进行数据聚合

apply 函数不仅可以用于元素级或行列级的操作，还可以用于更复杂的数据聚合任务。

示例代码 7：对分组数据应用函数

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Group': ['A', 'A', 'B', 'B'],
    'Data': [10, 15, 10, 20],
    'URL': ['pandasdataframe.com', 'example', 'apply', 'test']
})

# 定义一个函数来计算每个组的平均值
def average_data(group):
    return group.mean()

# 对分组数据应用函数
grouped = df.groupby('Group')['Data'].apply(average_data)
print(grouped)
Python

Output:

pandas apply 示例

示例代码 8：使用自定义聚合函数

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Group': ['A', 'A', 'B', 'B'],
    'Data': [1, 2, 3, 4],
    'URL': ['pandasdataframe.com', 'example', 'apply', 'test']
})

# 定义一个函数来计算数据的范围（最大值 - 最小值）
def data_range(data):
    return data.max() - data.min()

# 对分组数据应用函数
result = df.groupby('Group')['Data'].apply(data_range)
print(result)
Python

Output:

pandas apply 示例

5. 性能优化

虽然 apply 函数非常灵活和强大，但在处理大规模数据时可能会遇到性能瓶颈。在这种情况下，可以考虑使用向量化操作或其他 pandas 内置函数来优化性能。

示例代码 9：使用向量化操作代替 apply

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [10, 20, 30],
    'B': [20, 30, 40],
    'C': ['pandasdataframe.com', 'example', 'apply']
})

# 使用向量化操作来替换大于 25 的数字为 'High'
df[['A', 'B']] = df[['A', 'B']].where(df[['A', 'B']] <= 25, 'High')
print(df)
Python

Output:

pandas apply 示例

示例代码 10：使用内置函数优化性能

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': ['pandasdataframe.com', 'example', 'apply']
})

# 使用内置的 cumsum 函数来计算累计和，替代 apply
df['Cumulative Sum'] = df['A'].cumsum()
print(df)
Python

Output:

pandas apply 示例

6. 处理文本数据

在处理包含文本的 DataFrame 时，apply 函数可以用来执行各种字符串操作，如格式化、清洗或信息提取。

示例代码 11：格式化字符串

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Website': ['pandasdataframe.com', 'example.com', 'apply.net']
})

# 定义一个函数来格式化网站URL，添加https协议
def format_url(url):
    return f"https://{url}"

# 应用函数到 Website 列
df['Website'] = df['Website'].apply(format_url)
print(df)
Python

Output:

pandas apply 示例

示例代码 12：清洗字符串数据

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Comments': [' great service!!! ', 'bad product ', ' an ok experience... '],
    'URL': ['pandasdataframe.com', 'example.com', 'apply.net']
})

# 定义一个函数来清洗评论文本
def clean_text(text):
    return text.strip().lower().replace(" ", "_")

# 应用函数到 Comments 列
df['Comments'] = df['Comments'].apply(clean_text)
print(df)
Python

Output:

pandas apply 示例

7. 使用 apply 进行错误处理

在数据处理中，错误处理是一个重要的环节。apply 函数可以结合错误处理来确保代码的健壮性。

示例代码 13：处理转换过程中的错误

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Values': ['100', '200', 'three', '400'],
    'URL': ['pandasdataframe.com', 'example.com', 'apply.net', 'test.com']
})

# 定义一个函数，尝试将字符串转换为整数，错误则返回 None
def safe_convert(value):
    try:
        return int(value)
    except ValueError:
        return None

# 应用函数到 Values 列
df['Values'] = df['Values'].apply(safe_convert)
print(df)
Python

Output:

pandas apply 示例

8. 使用 apply 与其他 pandas 函数结合使用

apply 函数可以与 pandas 的其他功能强大的函数结合使用，以实现更复杂的数据处理逻辑。

示例代码 14：结合 apply 和 groupby

import pandas as pd

# 创建一个 DataFrame
df = pd.DataFrame({
    'Group': ['A', 'A', 'B', 'B'],
    'Score': [88, 92, 85, 90],
    'URL': ['pandasdataframe.com', 'example.com', 'apply.net', 'test.com']
})

# 定义一个函数来计算每个组的平均分
def average_score(group):
    return group.mean()

# 对分组后的数据应用函数
grouped_scores = df.groupby('Group')['Score'].apply(average_score)
print(grouped_scores)
Python

Output:

pandas apply 示例

示例代码 15：结合 apply 和 merge

import pandas as pd

# 创建两个 DataFrame
df1 = pd.DataFrame({
    'ID': [1, 2, 3],
    'Name': ['Alice', 'Bob', 'Charlie'],
    'URL': ['pandasdataframe.com', 'example.com', 'apply.net']
})

df2 = pd.DataFrame({
    'ID': [1, 2, 4],
    'Age': [25, 30, 35]
})

# 定义一个函数来合并两个 DataFrame 并添加年龄组
def add_age_group(row):
    if row['Age'] < 30:
        return 'Young'
    else:
        return 'Old'

# 合并 DataFrame
merged_df = pd.merge(df1, df2, on='ID', how='left')

# 应用函数到合并后的 DataFrame
merged_df['Age Group'] = merged_df.apply(add_age_group, axis=1)
print(merged_df)
Python

Output:

pandas apply 示例

结论

本文通过多个示例详细介绍了 pandas 的 apply 函数的使用方法。从基本的元素级操作到复杂的数据聚合，apply 函数都是一个非常有用的工具。然而，在处理大规模数据时，应考虑性能优化策略，如使用向量化操作或其他更高效的 pandas 函数。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册